[論文レビュー] Learning to Dock: Geometric Deep Learning for Predicting Supramolecular Host-Guest Complexes

Zidi Wang, Tao Zhang+8 more|arXiv (Cornell University)|Jan 18, 2026

Supramolecular Chemistry and Complexes被引用数 0

ひとこと要約

この論文は DeepHostGuest を提案する。幾何学的深層学習フレームワークでホスト-ゲスト結合の予測構型を導出し、多様な超分子系に対する結合自由エネルギー計算の精度を高める。

ABSTRACT

Predicting non-covalent host-guest recognition remains challenging due to the complex interplay of electrostatics, dispersion, and steric effects, and the limited transferability of existing docking approaches to synthetic supramolecular systems. Here we present DeepHostGuest, a geometric deep-learning framework that learns generalizable recognition principles directly from experimentally resolved host-guest structures. Hosts are encoded as electrostatic surfaces and guests as molecular graphs, enabling transferable learning across diverse supramolecular systems. DeepHostGuest achieves high-accuracy predictions (RMSD $\leq 2$ Angstrom for 80.8% of test cases), substantially outperforming classical docking without case-specific tuning. Notably, the method generalizes beyond its training domain to crystalline sponge systems, accurately capturing the binding of large amphiphilic molecules within metal-organic cages. Beyond predicting binding conformations, the structures generated by DeepHostGuest serve as a reliable basis for accurate binding free-energy calculations. Density Functional Theory (DFT)-calculated affinities correlate well with experiment, enabling structure-property relationships across 876 host-guest complexes spanning 34 host families. Interpretable feature analysis reveals that binding strength arises from a cooperative interplay of host polarity, guest hydrophobicity, and geometric complementarity, with distinct design regimes across supramolecular classes. Together, these results establish data-driven molecular recognition as a practical route to predictive supramolecular design, enabling high-throughput virtual screening and rational optimization of functional host-guest systems.

研究の動機と目的

• 非共有結合性ホスト–ゲスト認識の予測的超分子設計を動機づける。
• 多様な超分子系へ一般化可能な移動学習枠組みを開発する。
• 相互作用を捉えるためにホストを静電表面として、ゲストを分子グラフとしてエンコードする。

提案手法

• 極性と電荷分布を捉えるためにホストを静電表面としてエンコードする。
• トポロジーと結合性を表現するためにゲストを分子グラフとしてエンコードする。
• 実験的に解決された構造から認識原理を学ぶために幾何学的深層学習を用いる。
• 結合構型を予測し、結合エネルギー計算に適した構造を生成するよう訓練する。
• 結晶スポンジ系への転送可能性と金属-有機架 Spaces 内の大きな両親性ゲストの適用可能性を評価する。

実験結果

リサーチクエスチョン

• RQ1 幾何学的深層学習モデルは実験的構造からホスト–ゲスト認識の一般原理を学べるか。
• RQ2 ホストを静電表面として、ゲストをグラフとしてエンコードすることは多様な超分子クラスへ転送性をもたらすのか。
• RQ3 生成されたドッキング構造は結合自由エネルギー計算を正確に支援できるか。
• RQ4 MOFケージ内の結晶スポンジ系と大型疎水性・親水性ゲストを扱えるか。
• RQ5 異なるホストファミリー間で結合強度に寄与する解釈可能な要因は何か。

主な発見

• DeepHostGuest は test ケースの 80.8% で RMSD ≤ 2 Å を達成。
• ケース特異的チューニングなしで古典的ドッキングを上回る。
• 本法は結晶スポンジ系および MOF ケージ内の大きな疎水性/親水性ゲストへ一般化可能。
• DFT 計算された親和性は 876 件のホスト–ゲスト混合において実験と良く相関し、34 のホストファミリーを横断。
• 解釈可能な分析は、協調的なホスト極性、ゲストの疎水性、および几何学的適合性から結合強度が生じることを示す。